跳到主要内容Skip to main content

Models · Evals

WebArena

网页环境中的任务完成(购物、论坛、CMS 等)

测什么网页环境中的任务完成(购物、论坛、CMS 等)
任务与数据812 个任务;真实网站复刻环境
指标成功率
污染风险环境与任务公开;网站状态会变;模型可能见过任务。
复现固定 Docker 环境、起始状态与评分脚本。
成本中高;需要浏览器与容器
快照日2026-11-19(本站快照;上游版本以仓库为准)
核验日2026-11-19

怎么读

适合看网页操作 agent;不适合移动端或桌面软件。

第一次使用

先跑 10 条 shopping 任务,确认选择器与重置。

常见坑

环境未重置导致结果不可复现;不同浏览器版本影响。

不适合

不适合评估 API-only agent。

对比与替代

与 OSWorld 相比更偏网页,OSWorld 覆盖桌面应用。

怎么验证

核对环境镜像、任务 ID 与重置脚本。

下一步

  • 打开榜单或论文页,确认题集版本、评分脚本与提交日期。
  • 把它和你关心的业务任务做对照;找不到对应任务,就自己建 50–100 条内部评测。
  • 读 怎么读榜单,把“分数”写成“条件 + 参考价值”。
榜单 / 来源:https://webarena.dev/ · 快照 2026-11-19(本站快照;上游版本以仓库为准)